點擊圖片可放大檢視
這裡使用 Network > Roles & Positions > Structural > Profile 以取得 similarity matrix。由於在此選項中並無 Jaccard 方法,因此最後使用 correlation 、matches 與 Euclidean distance 作為 similarity (dissimilarity) matrix 的測量單位。
另外,為了盡量讓結果「透明」,雖然 UCINET 可以同時自動處理 Trade data 中具有多個矩陣的情況,這裡仍只使用 Trade 當中的外交 (diplomats) 資料。
使用 Trade-diplomats 產生的 3 個 similarity (dissimilarity) matrix 進行 hierarchical clustering 的結果如下:
Correlation as similarity measure
Matches as similarity measure
Euclidean Distance as dissimilarity measure
使用「臺大論文口試審查委員」的資料進行 Clustering 與 MDS (皆使用 Euclidean distance) 之後,視覺化的結果如下:
Hierarchical clustering (left) & Multidimensional scaling (right) on NTU thesis committee data
從 MDS 的圖可以看出圖片中央似乎有一團密集的區域 (核心),這個現象與 clustering 的結果相當吻合 — clustering dendrogram 的形狀是呈現三角形,亦即 dendrogram 的下方在很早期就被分成同一群,並且隨著距離的增加 (similarity 遞減),這一群變得越來越大。換言之,Clustering 和 MDS 都顯示 NTU thesis committee data 似乎只有一個「核心」。
這個現象在與 Trade-diplomats 相比後會比較明顯 — 下方的 dendrogram 很明顯的與上方呈現三角形的 NTU thesis committee data 差異很大,而這也顯示在下方的 MDS 上:Trade-diplomats 每點之間距離較遠,與呈現一個「核心」的 NTU thesis committee data 有相當差異。
Hierarchical clustering (left) & Multidimensional scaling (right) on Trade-diplomats